A Novel Enhanced Weighted Product Approach Using Euclidean Normalization and Standard Deviation for Accurate Ranking

Elke dag staan leiders en managers voor keuzes die niet opgelost kunnen worden door naar één enkel getal te kijken. Ze moeten een werknemer aannemen, een leverancier kiezen of een project selecteren door vele verschillende factoren tegelijkertijd af te wegen. Sommige factoren gaan over geld, andere over vaardigheid, en weer andere over persoonlijkheid of snelheid. De uitdaging ligt in het feit dat deze factoren op verschillende manieren worden gemeten. De ene factor is een salaris in dollars, een andere een testscore van honderd, en een derde een beoordeling van hoe goed iemand spreekt. Wanneer u probeert deze verschillende schalen direct met elkaar te vergelijken, kunnen de resultaten vertekend raken, waarbij de factor met de grootste getallen wordt bevoordeeld in plaats van de factor die er werkelijk het meest toe doet. Dit is de kern van multi-criteria besluitvorming: hoe men tegenstrijdige en verschillend gemeten stukken informatie in evenwicht brengt om de beste optie te vinden zonder dat de wiskunde de werkelijkheid verdraait.

Onderzoekers proberen dit al lang op te lossen door methoden te creëren die deze verschillende schalen normaliseren, of standaardiseren, zodat ze eerlijk vergeleken kunnen worden. Traditionele methoden worstelen echter vaak wanneer de gegevens rommelig zijn of wanneer de belangrijkheid van een factor wordt bepaald door menselijke opinie, wat bevooroordeeld kan zijn. Een team van onderzoekers uit Indonesië heeft nu een nieuwe manier voorgesteld om deze complexiteit aan te pakken. Ze hebben een verfijnde versie ontwikkeld van een bestaande besluitvormingstool genaamd de Weighted Product-methode. Door een specifieke manier van het meten van de afstand tussen datapunten te combineren met een wiskundige techniek die kijkt naar de mate waarin de gegevens variëren, hebben zij een systeem gecreëerd dat stabieler en objectiever is dan eerdere benaderingen. Hun werk suggereert dat door de data zelf te laten bepalen hoe belangrijk elke factor is, in plaats van uitsluitend te vertrouwen op menselijk oordeel, de uiteindelijke rangschikking van kandidaten of opties betrouwbaarder en minder gevoelig voor kleine veranderingen in de input wordt.

De onderzoekers testten hun nieuwe aanpak, die zij WP-DISTA noemden, aan de hand van een scenario uit de echte wereld: het selecteren van de beste jobkandidaten uit een groep van negen sollicitanten. In dit scenario werd elke kandidaat geëvalueerd op zeven verschillende criteria, variërend van hun opleidingsniveau en jaren werkervaring tot hun technische vaardigheden, communicatievaardigheden en prestaties in schriftelijke tests en interviews. Sommige van deze criteria waren gunstig, wat betekende dat een hogere score beter was, terwijl andere kostenposten waren, waarbij een lagere score de voorkeur genoot. Het team voerde deze gegevens in hun nieuwe systeem in, dat eerst alle verschillende scores op een gemeenschappelijke schaal bracht met behulp van een methode gebaseerd op de geometrische afstand tussen punten, in plaats van alleen maar te kijken naar de hoogste en laagste waarden. Deze stap zorgde ervoor dat een criterium met zeer grote getallen, zoals een testscore in de honderden, niet per ongeluk een criterium met kleinere getallen, zoals een beoordeling op een schaal van één tot tien, zou overstemmen.

Zodra de gegevens in evenwicht waren gebracht, berekende het systeem de belangrijkheid van elk criterium op basis van de mate waarin de kandidaten van elkaar verschilden op dat specifieke gebied. Als een groep kandidaten bijna hetzelfde opleidingsniveau had, kreeg die factor een lager gewicht omdat het niet hielp om de beste van de rest te onderscheiden. Echter, als de kandidaten sterk varieerden in hun technische vaardigheden, kreeg die factor een hoger gewicht omdat het beter in staat was om de sterke presteerders van de zwakkere te scheiden. Dit proces elimineerde de noodzaak voor een mens om te gokken welke factoren het belangrijkst waren, door subjectieve mening te vervangen door een objectief maatstaf van variatie. Het systeem combineerde vervolgens deze aangepaste scores en gewichten om een definitieve rangschikking voor elke kandidaat te berekenen, waarbij werd bepaald wie het dichtst bij de ideale set kwalificaties lag.

De resultaten van deze nieuwe methode waren opvallend consistent. Wanneer de onderzoekers de door hun nieuwe systeem geproduceerde rangschikkingen vergeleken met vijf andere gevestigde besluitvormingsmethoden, was de overeenkomst opmerkelijk hoog. De nieuwe aanpak kwam bijna exact overeen met de resultaten van één van de vergelijkingsmethoden, met een correlatiescore van 0,9914, en kwam ook zeer dicht bij een andere methode met 0,9742. Dit hoge niveau van overeenkomst suggereert dat de nieuwe methode geen vreemde of geïsoleerde resultaten produceert, maar aansluit bij de bestaande best practices. Nog belangrijker is dat de onderzoekers de stabiliteit van hun systeem testten door de belangrijkheid van de criteria licht te wijzigen, wat een situatie simuleert waarin een hiring manager vindt dat ervaring iets belangrijker is dan gebruikelijk. Zelfs met deze verschuivingen veranderde de volgorde van de kandidaten niet. De topkandidaat bleef bovenaan staan, en de laagste bleef onderaan, wat bewees dat het systeem robuust is en niet gemakkelijk wordt beïnvloed door kleine schommelingen in de weging van de factoren.

Uiteindelijk toont de studie aan dat een besluitvormingstool eerlijker en betrouwbaarder kan worden gemaakt door de data voor zichzelf te laten spreken. De nieuwe methode slaagde erin de rommelige realiteit van het vergelijken van verschillende soorten informatie te beheersen, waardoor werd gewaarborgd dat geen enkele factor de uitkomst domineerde simpelweg vanwege de schaal ervan. Door een geometrische benadering voor het balanceren van de gegevens te integreren met een wiskundige manier om belangrijkheid te bepalen, hebben de onderzoekers een systeem gecreëerd dat heldere, stabiele rangschikkingen produceert. Dit werk biedt een praktisch alternatief voor organisaties en individuen die complexe keuzes moeten maken, en biedt een manier om conflicterende criteria te navigeren met meer vertrouwen dat de uiteindelijke beslissing de werkelijke sterktes van de beschikbare opties weerspiegelt.